论文
通过距离感知空间建模预测原发性癌症组织结构的转移风险
Predicting Metastatic Risk from Primary Cancer Tissue Architecture via Distance-Aware Spatial Modeling
摘要
从原发肿瘤的数字 H & E 切片预测远处转移是计算病理学中的一项关键但具有挑战性的任务。多实例学习 (MIL) 方法可以关注整个幻灯片图像 (WSI) 中包含转移前癌症区域特征的子域。然而，传统的 MIL 模型主要将组织斑块视为无序的袋子，放弃了定义这些区域如何在组织中排列和相互作用的空间布局。我们认为，转移风险不仅取决于局部斑块的外观，还取决于 WSI 中斑块的几何组织以及组织区室之间的相互作用。为此，我们引入了用于多实例学习的距离感知组织建模 (DTMF-MIL)，这是一种空间 MIL 框架，可通过显式距离先验强化特征嵌入。通过计算符号距离函数 (SDF) 以捕获具有相似特征的区域，并用径向基距离响应和局部 SDF 统计数据表示每个补丁，DTMF-MIL 可以学习补丁相对于区域内部和边界的位置。相似斑块之间的相互作用在局部组织邻域中进行背景化，并用于指导幻灯片级注意力，同时汇集斑块特征证据以进行转移预测。我们在大型医院系统的内部前列腺穿刺活检队列 (IPC) 以及跨多个病理学基础模型骨干的公共 TCGA-COAD 和 TCGA-KIRC 数据集上评估 DTMF-MIL 对远处前列腺癌转移的预测。在大多数数据集、主干网和指标组合中，DTMF-MIL 始终取得了最强的结果。